[發明專利]一種基于長短時記憶網絡的信息轉發概率預測方法及系統

有效

• 申請號: 201911229629.2
• 申請日: 2019-12-04
• 公開（公告）號: CN111079084B
• 公開（公告）日: 2021-09-10
• 發明（設計）人: 趙虹;葉沁媛;李悅江;胡泓
• 申請（專利權）人: 清華大學
• 主分類號: G06F17/18
• 分類號: G06F17/18;G06N3/04;G06N3/08;G06Q50/00
• 代理公司: 北京路浩知識產權代理有限公司 11002
• 代理人: 王宇楊

本發明實施例提供一種基于長短時記憶網絡的信息轉發概率預測方法及系統，該方法包括：根據用戶當前瀏覽的目標信息和預設歷史時間段內瀏覽的若干條歷史信息，獲取瀏覽信息序列；根據所述瀏覽信息序列和訓練后的預測模型，獲取所述目標信息的轉發概率，訓練后的預測模型是基于瀏覽信息序列樣本數據和預設的瀏覽信息序列標簽進行訓練后得到，預測模型包括文本模型，所述文本模型用于獲取所述瀏覽信息序列中每一信息的文本信息。本發明實施例提供的一種基于長短時記憶網絡的信息轉發概率預測方法及系統，通過文本模型充分利用信息的文本內容，更好地提升預測模型的準確性和預測模型自身的可拓展性，從而提高了轉發概率的預測精度。

技術領域

本發明涉及計算機技術領域，尤其涉及一種基于長短時記憶網絡的信息轉發概率預測方法及系統。

背景技術

社交網絡在中國迅速發展，成為人們生活中不可缺少的部分。根據2018年第四季度公開的數據，某社交網絡的月活躍用戶達4.46億，日活躍用戶超過2億。層出不窮的社交網絡平臺已經逐漸成為了新聞和信息傳播的主要媒介。其中，新的在線社交網絡中的信息傳播機制逐漸成為研究熱點。自然災害預警、公共信息、廣告營銷都是以一種新的形式于在線社交網絡平臺中迅速傳播。因此研究信息在社交網絡中的傳播，預測用戶轉發一條信息的概率具有非常重要的意義。

Myers等人率先基于IP(全稱Infection Probability)模型，考慮多信息之間相互影響，對用戶轉發一條信息的概率進行了建模，提出了IMM(全稱Information MixingModel)模型，但是IMM模型忽略了信息的文本內容，在IMM模型當中并未引入文本內容的分析，每一個信息的類別表示也是通過學習的辦法得到的，從而導致IMM模型的預測精度較低。

發明內容

為了解決上述問題，本發明實施例提供一種基于長短時記憶網絡的信息轉發概率預測方法及系統。

第一方面，本發明實施例提供一種基于長短時記憶網絡的信息轉發概率預測方法，包括：

根據用戶當前瀏覽的目標信息和預設歷史時間段內瀏覽的若干條歷史信息，獲取瀏覽信息序列；

根據所述瀏覽信息序列和訓練后的預測模型，獲取所述目標信息的轉發概率，訓練后的預測模型是基于瀏覽信息序列樣本數據和預設的瀏覽信息序列標簽進行訓練后得到，預測模型包括文本模型，所述文本模型用于獲取所述瀏覽信息序列中每一信息的文本信息。

優選地，所述預測模型還包括信息長短時記憶網絡模型，所述信息長短時記憶網絡模型位于所述文本模型之后，所述信息長短時記憶網絡模型包括長短時記憶網絡模塊和預測模塊，其中：

所述長短時記憶網絡模塊用于根據所述瀏覽信息序列中每一信息對應的句向量，獲取輸出向量；

所述預測模塊用于對所述輸出向量進行邏輯斯蒂回歸處理，獲取所述目標信息的轉發概率。

優選地，所述長短時記憶網絡模塊還用于通過Dropout技術對所述輸出向量進行過處理，將處理后的結果重新作為所述輸出向量。

優選地，所述預測模塊用于對所述輸出向量進行邏輯斯蒂回歸處理，獲取所述目標信息的轉發概率，具體包括：

其中，P(X|Y₁，…,Y_K)表示所述目標信息的轉發概率，q表示所述輸出向量，w為權重向量。

優選地，所述長短時記憶網絡模塊還用于通過Dropout技術對所述輸出向量進行過處理，將處理后的結果重新作為所述輸出向量，具體包括：

其中，q表示所述輸出向量，表示所述瀏覽信息序列中每一信息對應的句向量。

優選地，訓練后的預測模型通過如下方法獲得：